智谱AI的AutoGLM后,Google和微软也下场来做“贾维斯”了。

2024-10-30 12:04
摘要:昨天,微软忽然发布了一个新的模型,能够用于网页自动化操作。他们也正式开卷跟智谱AutoGLM一样自主人工智能了。而前天,我也在The Information网站上看到一个消息:标题Google Preps AI That Takes Over Computers,..

昨天,微软忽然发布了一个新的模型,能够用于网页自动化操作。

他们也正式开卷跟智谱AutoGLM一样自主人工智能了。

而前天,我也在The Information网站上看到一个消息:

标题Google Preps AI That Takes Over Computers,翻译过来就是:

谷歌准备推出接管计算机的人工智能。

上周三Claude、周五智谱AI、周末Google,然后微软。

短短一周内,已经有四个公司爆出来要发布类似的产品了,其中三个已经悄悄发布产品:Anthropic的Claude,智谱的AutoGLM和微软的OmniParser。这些产品的能力有目共睹。

Goolge虽然也只是个爆料,但是大概率今年就能出来,非常心急,想把坑先占上。

而且,我知道的消息是,OpenAI内部肯定也在做,就看什么时候掏出来了。

二级市场对于这种自主人工智能,反馈也非常的正。上周五智谱的AutoGLM出来之后,在金融圈直接爆了,连智谱AI概念股都出来了。

自主人工智能,好像瞬间点燃了AI圈的热情。

又开启了新一轮的用户心智的抢占。

毕竟刚刚开卷,哪家最早发,哪家确实就是会有优势。

不过自主人工智能的热度确实有点超乎了我的想象。

不过也能理解,类似于这种你发个指令他就会全自动化去处理的AI,才符合我们对人工智能的真正的期待,才有一点,那种AI变成现实的感觉。

现在的AI,坦率的讲,虽然有一些智能,但是远远离不开人工,完全没有达到解放双手的目的,绝大多数时候都是“人工”+“智能”。

而且对于各家AI公司来说,底层模型的能力已经卷到一定的瓶颈了,看现在大模型的一些榜单,大家也一点不关心了。

需要一些更科幻的,更新鲜的刺激。

所以这个时候,自主人工智能过来接棒,就很香。

而自主人工智能完成任务的一个大致流程是:

理解用户的需求-》系统规划-》调用工具执行任务-》目标完成

这个流程看起来其实不复杂。

一年多前,就有人在做了,最经典的那个项目,github上狂揽十六万星的噬星狂魔AutoGPT。

但是AutoGPT到后面开始沉寂,其实有个很大的问题,就是完全基于大语言模型做的。

这个就有很多的局限性。

比如,纯粹的语言模型只能处理文本,而现在很多任务比如点外卖,打车都需要读取屏幕信息。大语言模型本身不能直接处理,往往需要多加一步将图片转换为文本输入。

而图片转换为文字后,对于大语言模型又会丢失很多信息。

好比你被蒙着双眼,只是语言告诉你屋里有些什么,无论语言描述多么细节,你想象力多么丰富,脑海里都无法还原得与真实一模一样。

模型的可控性比较差,模型就容易懵逼,导致任务中断,或干脆给你随机发挥,听天由命。

所以AutoGPT能做到的事情还是比较少,效果也没有那么好,慢慢就淡出大家的视野了。

直到最近这波新的自主人工智能浪潮。

但是我也挺好奇一个问题,就是这将近一年半的时间,自主人工智能为啥都什么消息,直到最近,才开始密集发声?

是各家都在卷其他赛道,无暇顾及,还是都在做,只不过遇到了瓶颈,最近才有所突破?

我就去密集咨询几家国内AI大厂的朋友。

其实大家口径也都出奇的一致。

就是大家都在稳步推进,只是最近刚好到了一个可以拿出来用的时间点,而且大家的进展其实也没有差异太多。

而这一年半,自主人工智能没咋出现在公众视野,看起来进展很缓慢的样子,其实有两个最主要的原因。

多模态模型不够成熟。

2. 缺太多行为数据了。

第一个点其实很好理解。

就是你不能让模型蒙着眼睛去规划任务,他都不知道屏幕上面的元素长啥样,纯粹靠文字来描述,这个效果肯定很差。

所以推进这块,必须要有很强的多模态模型的基座能力作为基础。

而多模态的模型,训起来其实就比纯粹的大语言模型复杂多了。数据量、资源的消耗都是指数级增长。本身就是慢,连Claude都是今年3月才上线多模态能力的。

所以在模型基座上,就是会很拖沓,这个是客观的事实,不过最近几个月,大家的多模态模型已经基本都能用了,所以基座模型层面,其实就是刚好到了一个节点。

去调研的智谱的大佬,也给出了我们同样的答案。

第二个原因,其实就是数据上。

虽然互联网包含大量的人类知识,但主要由静态信息(图片、文字)组成,这些静态信息无法反应一些动态的过程。

比如,模型可以学习理解外卖界面上的脆皮炸鸡是多少钱。因为网上有大量的静态数据教会它钱是什么、能干什么。模型可以理解“钱是能买到炸鸡的”。

但缺乏动态数据教它怎么“找到美团App,点开App,如何搜索脆皮炸鸡,然后点击下单”的这样一个动态过程。

这个其实就跟o1的那套推理的路很像,模型不仅要知道结果,还要知道其中的过程。

整个自主人工智能的操作路径,其实就是一个多模态的巨型思维链。

o1和claude给大家打了个样,证明了强化学习这条路是对的,那强化基座模型的推理能力是一个应用方向,而做这种真正的Agent,又是一个强化学习应用的典型场景。

一个偏基模,一个偏应用。

而这套通过强化学习补充数据的范式,其实也就是今年3、4月以后,才逐渐形成的业内共识。

所以,着就能解释,为什么过去一年半的时候,这种自主人工智能一直没啥进展,直到最近才密集发声,其实就是多模态基座和数据的原因。

最后,再简单说说AutoGLM这种能力,大概是怎么实现的,具体细节他们也都没透露,我只能根据我的调研结果,进行一些猜测,不过AutoGLM团队最近应该会发个技术报告,到时候可以关注一下。

比如一个最简的例子,说:微信发送“今天疯狂星期四V我50”的消息给鲜虾包。

那么大模型拿到任务后,会一边看当前屏幕的界面,一边利用思维链一步一步推理:

任务可以在当前的UI界面下继续进行吗?是的话进行第2步,否的话就会思考“应该打开什么界面”然后进行下一步动作。

分析当前UI和最终任务的关系,分解成一步一步的动作”

现在首先需要填充输入框“今天疯狂星期四V我50”

然后点击“发送”

然后思考问题是否最终被解决?如果是的话结束,如果否的话回到第1步继续循环。

这一切,都建立在模型能看到屏幕,能理解屏幕上那些乱七八糟的元素的基础上。他不仅需要复杂的规划能力,还需要直到这个是按钮,这个是单选控件,这个是表单,这个是开关等等。

而滑动这个操作,反而是最麻烦的,人看起来很简单,是因为人对于UI界面,已经有数十年的经验了,滑动本身就是预测的过程,我们根据我的经验,大概能猜到这一屏如果没有我要的信息,那他可能是在下一屏。

所以我们会进行一个滑动操作,但是对于AI来说,这个预测,反而是最难的。

所以后面,需要继续灌数据,灌大量的行为性数据,形成泛化能力。

让AI,有跟人类一样的,UI常识,和对交互的可预测性。

虽然目前不是那么完美。

Claude的Computer Use和智谱的AutoGLM,都有自己的一堆问题,也远远没到一个算是完美产品的地步。

但这毕竟也只是刚刚开始。

当一切路径明确。

两个月时间。

可能,一切就变天了。

更新于:13天前